Buzz
Trong tháng 3, Yoshua Bengio nhận được một phần của Giải Turing, giải thưởng cao quý nhất trong ngành khoa học máy tính, vì đóng góp vào sự phát triển của học sâu—kỹ thuật đã kích thích sự phục hồi của trí tuệ nhân tạo, dẫn đến những tiến bộ trong ô tô tự lái, dịch tiếng trực tuyến và nhận diện khuôn mặt thời gian thực.
Bây giờ, Bengio nói rằng học sâu cần được sửa chữa. Ông tin rằng nó sẽ không thể thực hiện đầy đủ tiềm năng của mình, và sẽ không mang lại một cuộc cách mạng trí tuệ nhân tạo đích thực, cho đến khi nó có thể vượt qua việc nhận diện mẫu và học thêm về nguyên nhân và kết quả. Nói cách khác, ông nói, học sâu cần bắt đầu đặt câu hỏi tại sao những điều xảy ra.
Giáo sư 55 tuổi tại Đại học Montreal, với mái tóc và lông mày màu xám rậm rạp, cho biết học sâu hoạt động tốt trong các tình huống được lý tưởng hóa nhưng sẽ không gần sát với việc sao chép trí tuệ của con người nếu không thể lý luận về mối quan hệ nguyên nhân và kết quả. “Integrating [nguyên nhân] vào trí tuệ nhân tạo là một vấn đề lớn,” Bengio nói. “Các phương pháp hiện tại của học máy giả định rằng hệ thống trí tuệ nhân tạo đã được đào tạo sẽ được áp dụng trên cùng loại dữ liệu như dữ liệu đào tạo. Trong cuộc sống thực, thường không phải là như vậy.”
Các hệ thống học máy bao gồm học sâu đều rất cụ thể, được đào tạo cho một nhiệm vụ cụ thể, như nhận diện mèo trong hình ảnh hoặc lệnh nói trong âm thanh. Kể từ khi xuất hiện vào khoảng năm 2012, học sâu đã thể hiện khả năng nhận biết mẫu dữ liệu đặc biệt ấn tượng; nó đã được sử dụng trong nhiều ứng dụng thực tế, từ phát hiện dấu hiệu của ung thư trong các hình ảnh y tế đến phát hiện gian lận trong dữ liệu tài chính.
Nhưng học sâu cơ bản là mù quáng về nguyên nhân và kết quả. Khác với một bác sĩ thực sự, một thuật toán học sâu không thể giải thích tại sao một hình ảnh cụ thể có thể gợi ý một căn bệnh. Điều này có nghĩa là học sâu phải được sử dụng một cách thận trọng trong các tình huống quan trọng.
Hiểu về nguyên nhân và kết quả sẽ khiến các hệ thống trí tuệ nhân tạo hiện tại thông minh hơn và hiệu quả hơn. Một robot hiểu rằng việc thả vật dụng làm vỡ chúng sẽ không cần phải ném nhiều bình hoa xuống sàn nhà chỉ để xem chúng sẽ xảy ra chuyện gì với chúng.
Bengio nói rằng phương trình mở rộng đến ô tô tự lái. “Con người không cần trải qua nhiều ví dụ về tai nạn để lái xe cẩn thận,” ông nói. Họ chỉ cần tưởng tượng về tai nạn, “để chuẩn bị tinh thần nếu nó thực sự xảy ra.”
Câu hỏi là làm thế nào để trang bị cho các hệ thống AI khả năng này.
Tại phòng thí nghiệm nghiên cứu của mình, Bengio đang làm việc trên một phiên bản của học sâu có khả năng nhận diện các mối quan hệ nguyên nhân và kết quả đơn giản. Ông và đồng nghiệp gần đây đã đăng một bài báo nghiên cứu trình bày phương pháp. Họ sử dụng một bộ dữ liệu mô tả mối quan hệ nguyên nhân giữa các hiện tượng thực tế, chẳng hạn như hút thuốc lá và ung thư phổi, dưới dạng xác suất. Họ cũng tạo ra các bộ dữ liệu tổng hợp về mối quan hệ nguyên nhân.
Thuật toán trong bài báo về cơ bản đưa ra một giả thuyết về những biến có mối quan hệ nguyên nhân, sau đó kiểm tra xem thay đổi các biến khác nhau có phù hợp với lý thuyết hay không. Sự thật là việc hút thuốc lá không chỉ liên quan đến ung thư mà thực sự là nguyên nhân của nó, ví dụ, vẫn nên rõ ràng ngay cả khi ung thư có liên quan đến các yếu tố khác, như việc đến bệnh viện.
Một ngày nào đó, một robot có thể sử dụng phương pháp này để đưa ra giả thuyết về điều gì sẽ xảy ra khi nó thả một vật đó, và sau đó xác nhận suy luận của mình khi nó thấy nhiều vật rơi vụng xuống sàn nhà.
Bengio đã biến đổi lĩnh vực AI một lần. Trong vài thập kỷ qua, ông đã giúp phát triển các ý tưởng và kỹ thuật kỹ thuật mạnh mẽ của học sâu, cùng với các người nhận giải Turing Award khác năm nay: Geoffrey Hinton, Đại học Toronto và Google, và Yann LeCun, làm việc tại NYU và Facebook.
Học sâu sử dụng mạng nơ-ron nhân tạo để xấp xỉ toán học cách nơ-ron và liên kết học bằng cách tạo và củng cố kết nối. Dữ liệu đào tạo, chẳng hạn như hình ảnh hoặc âm thanh, được đưa vào một mạng nơ-ron, sau đó được điều chỉnh dần dần cho đến khi nó phản ứng đúng cách. Một chương trình học sâu có thể được đào tạo để nhận diện đối tượng trong ảnh với độ chính xác cao, miễn là nó nhìn thấy nhiều hình ảnh đào tạo và được cung cấp đủ công suất tính toán.
Nhưng các thuật toán học sâu không tốt trong việc tổng hợp, hoặc lấy những gì họ đã học từ một ngữ cảnh và áp dụng nó vào ngữ cảnh khác. Họ cũng thu thập hiện tượng có liên quan—như con gà trống gáy và mặt trời mọc—mà không quan tâm đến cái nào gây ra cái kia.
Nguyên nhân đã được nghiên cứu từ lâu trong các lĩnh vực khác nhau, và các kỹ thuật toán học đã xuất hiện trong vài thập kỷ gần đây để khám phá mối quan hệ nguyên nhân, giúp cách mạng hóa nghiên cứu trong các lĩnh vực bao gồm khoa học xã hội, kinh tế học và dịch tễ học. Một nhóm nhỏ các nghiên cứu viên đang làm việc để kết hợp nguyên nhân và học máy.
Judea Pearl, người đã đoạt giải Turing năm 2011 vì công việc về luận lý nguyên nhân, nói rằng ông ấn tượng với ý tưởng của Bengio, mặc dù ông chưa nghiên cứu kỹ. Cuốn sách gần đây do Pearl đồng tác giả, The Book of Why: The New Science of Cause and Effect, lập luận rằng AI sẽ bị hạn chế cơ bản nếu thiếu khả năng suy luận nguyên nhân nào đó.
Các thí nghiệm về khoa học kognitiv cũng cho thấy rằng hiểu biết về nguyên nhân và kết quả là cơ bản cho sự phát triển và trí tuệ của con người, mặc dù không rõ là con người hình thành kiến thức này như thế nào.
Công việc của Bengio về nguyên nhân có thể là một bước nhỏ hướng trả lời câu hỏi này, nhưng cũng thể hiện sự hiện thực hơn về học sâu. Ngay cả khi các ứng dụng của kỹ thuật này đã tăng lên, một số người chuyên gia ngày càng nói đến giới hạn của công nghệ trong các lĩnh vực quan trọng như hiểu ngôn ngữ.
Trong cuộc phỏng vấn, Bengio cũng bày tỏ một số thất vọng về cách các công ty phóng đại khả năng của trí tuệ nhân tạo và học sâu. “Tôi nghĩ đó sẽ là một điều tốt nếu có sự sửa chữa trong thế giới kinh doanh, bởi vì đó là nơi có nhiều sự phô trương,” ông nói.
Một số người tin rằng sự tập trung vào học sâu có thể là một phần của vấn đề. Gary Marcus, giáo sư danh dự tại NYU và tác giả của một cuốn sách gần đây nhấn mạnh về giới hạn của học sâu, Rebooting AI: Building Artificial Intelligence We Can Trust, nói rằng sự quan tâm của Bengio đối với suy luận nguyên nhân là một dấu hiệu chuyển đổi tích cực trong tư duy.
“Quá nhiều học sâu đã tập trung vào mối quan hệ nhân quả, và điều đó thường khiến các hệ thống học sâu bối rối khi được kiểm tra trong điều kiện không giống những điều kiện mà chúng đã được đào tạo,” ông nói.
Marcus bổ sung rằng bài học từ kinh nghiệm con người là rõ ràng. “Khi trẻ em hỏi ‘tại sao?’ họ đang hỏi về nguyên nhân,” ông nói. “Khi máy móc bắt đầu hỏi tại sao, chúng sẽ thông minh hơn nhiều.”
More Great Mytour Stories
- Công nghệ giúp cho chó học cách “nói chuyện” với con người
- Đừng dám gọi Microsoft Surface Duo là điện thoại
- Bên trong Pioneer: Hãy để người hustler tài năng nhất của Silicon Valley chiến thắng
- Giám sát và sự Ringification của cuộc sống ở ngoại ô
- Thành phố làm thay đổi con đường tiến hóa của động vật hoang dã đô thị
- 👁 Nếu máy tính thông minh đến vậy, sao chúng không thể đọc được? Ngoài ra, hãy kiểm tra tin tức mới nhất về trí tuệ nhân tạo
- 🏃🏽♀️ Muốn có những công cụ tốt nhất để duy trì sức khỏe? Kiểm tra những lựa chọn của đội ngũ Gear chúng tôi cho những chiếc vòng đeo sức khỏe, đồ chạy bộ tốt nhất (bao gồm giày và tất chạy bộ), và tai nghe tốt nhất.
